कैसे करता है आर्टिफिशियल इंटेलिजेंस

हाल के वर्षों में हम . यह प्रयोग किया जाता है लगभग हर जगह के क्षेत्र से उच्च प्रौद्योगिकी और जटिल गणित के लिए चिकित्सा, मोटर वाहन उद्योग और यहां तक कि smartphones के साथ. प्रौद्योगिकी अंतर्निहित के काम में एअर इंडिया के आधुनिक देखने के लिए, कि हम हर दिन का उपयोग करें और कभी कभी भी नहीं है इसके बारे में सोचो. लेकिन कृत्रिम बुद्धि क्या है? यह कैसे काम करता है? और यह खतरनाक है?

कृत्रिम बुद्धि क्या है

<पी>सबसे पहले, शब्दावली को परिभाषित. यदि आप कल्पना कृत्रिम बुद्धि के रूप में कुछ सोचने के लिए सक्षम है, स्वतंत्र रूप से निर्णय लेने के लिए, और आम तौर पर दिखाने के संकेत चेतना है, तो जल्दी करना आपको निराश करने के लिए. लगभग सभी मौजूदा आज, इस प्रणाली को भी बंद नहीं करने के लिए «कीमत» की परिभाषा ऐ । और उन प्रणालियों है कि प्रदर्शन ऐसी गतिविधि है, यह वास्तव में अभी भी काम के भीतर पूर्व निर्धारित एल्गोरिदम.

<पी>कभी कभी इन एल्गोरिदम , लेकिन वे रहते हैं «ढांचे» जो भीतर ऐ चल रही है. कोई «कार्टा» और विशेष रूप से संकेत चेतना के पास कोई कार. यह सिर्फ एक बहुत ही उपयोगी कार्यक्रम है । लेकिन वे «सबसे अच्छा व्यापार में». इसके अलावा, एअर इंडिया प्रणाली में सुधार जारी है । हाँ, और वे व्यवस्था कर रहे हैं काफी unhackneyed. यहां तक कि अगर आप त्यागने तथ्य यह है कि आधुनिक ऐ दूर से परिपूर्ण है, यह हमें बहुत ज्यादा आम में है ।

कैसे करता है, कृत्रिम बुद्धि

सबसे पहले एअर इंडिया अपने कार्य कर सकते हैं (जिसके बारे में बाद में) और नए कौशल प्राप्त करने के माध्यम से गहरी सीखने मशीन. इस अवधि में हम अक्सर सुना है और का उपयोग करें. लेकिन इसका मतलब क्या है? के विपरीत «क्लासिक» विधियों, जब सभी आवश्यक जानकारी भरी हुई है में प्रणाली में अग्रिम, मशीन सीखने एल्गोरिदम के कारण प्रणाली विकसित करने के लिए, अपने दम पर अध्ययन करने के लिए उपलब्ध जानकारी. जो, इसके अलावा, मशीन कुछ मामलों में, यह भी कर सकते हैं अपने आप के लिए देखो.

उदाहरण के लिए, बनाने के लिए एक कार्यक्रम के लिए धोखाधड़ी का पता लगाने, मशीन सीखने एल्गोरिथ्म काम करता है की एक सूची के साथ बैंक लेनदेन और अपने अंत परिणाम (कानूनी या अवैध रूप से). मशीन सीखने मॉडल मानता है उदाहरण और विकसित सांख्यिकीय निर्भरता के बीच वैध और धोखाधड़ी लेनदेन. तब, जब आप प्रदान एल्गोरिथ्म का विवरण एक नए ऋण के लेन-देन, वह klassificeret के आधार पर यह पैटर्न है कि वह आकर्षित किया है के उदाहरण से अग्रिम में.

आम तौर पर, आप और अधिक डेटा प्रदान करते हैं, और अधिक सटीक हो जाता है, मशीन सीखने कलन विधि का प्रदर्शन करते हुए उनके कार्यों. विशेष रूप से उपयोगी है जब समस्याओं को सुलझाने जहां नियमों पूर्वनिर्धारित नहीं कर रहे हैं और नहीं कर सकते हैं व्याख्या की जा बाइनरी में. रिटर्निंग करने के लिए, हमारे उदाहरण के साथ बैंकिंग परिचालन: वास्तव में छोड़ने पर हम था बाइनरी: 0 — एक वैध आपरेशन, 1 — गैरकानूनी है. लेकिन क्रम में करने के लिए इस निष्कर्ष तक पहुंच, इस प्रणाली की आवश्यकता है प्रदर्शन करने के लिए एक पूरी गुच्छा के मानकों और यदि आप उन्हें मैन्युअल रूप से है, तो इसे ले जाएगा और अधिक से अधिक एक वर्ष. और भविष्यवाणी करने के लिए सभी विकल्पों में से सभी एक ही काम नहीं करेगा. एक प्रणाली पर आधारित गहरी सीखने मशीन में सक्षम हो जाएगा की पहचान करने के लिए कुछ, यहां तक कि अगर वास्तव में इस तरह के एक मामले में वह पहले कभी नहीं मिले.

गहरी सीखने और तंत्रिका नेटवर्क

समय पर, एक क्लासिक के रूप में मशीन सीखने एल्गोरिदम कई समस्याओं का समाधान है, जो में वहाँ एक बहुत कुछ है जानकारी के डेटाबेस में, वे के साथ सामना नहीं है, तो बात करने के लिए, «दृश्य, श्रवण» डेटा की तरह छवियों, वीडियो, ऑडियो फ़ाइलें, और इतने पर.

उदाहरण के लिए, बनाने के भविष्य कहनेवाला मॉडल के स्तन कैंसर का उपयोग कर एक शास्त्रीय मशीन सीखने दृष्टिकोण की आवश्यकता होती है प्रोग्रामर और गणितज्ञों कहते हैं, एक शोधकर्ता के क्षेत्र में ऐ जेरेमी हावर्ड. वैज्ञानिकों के लिए होगा की एक बहुत कुछ कर छोटा करने के लिए एल्गोरिदम मशीन सीखने के साथ सामना करने के लिए सूचना के प्रवाह. एक अलग सबसिस्टम के अध्ययन के लिए एक्स-रे छवियों, निजी — एमआरआई के लिए, अन्य — की व्याख्या के लिए रक्त परीक्षण, और इतने पर । के लिए प्रत्येक विश्लेषण के लिए, हम की जरूरत है अपनी खुद की प्रणाली है । तो वे सभी मिलकर एक बड़ा प्रणाली… यह एक बहुत ही मुश्किल और संसाधन गहन प्रक्रिया.

गहरी सीखने एल्गोरिदम करने के लिए एक ही समस्या का समाधान का उपयोग कर गहरी प्रकार के सॉफ्टवेयर वास्तुकला से प्रेरित है, मानव मस्तिष्क (हालांकि, तंत्रिका नेटवर्क से अलग कर रहे हैं जैविक न्यूरॉन्स, आपरेशन के सिद्धांत लगभग एक ही हैं). तंत्रिका कंप्यूटर नेटवर्क — लिंक «इलेक्ट्रॉनिक न्यूरॉन्स» सक्षम हैं, जो करने के लिए प्रक्रिया और जानकारी वर्गीकृत. वे कर रहे हैं कैसे करने के लिए «परतों» हर «परत» के लिए जिम्मेदार है, कुछ, अंततः बनाने के लिए एक समग्र चित्र. उदाहरण के लिए, जब आप ट्रेन पर एक तंत्रिका नेटवर्क की छवियों के विभिन्न वस्तुओं वह पाता तरीके निकालने की सुविधाओं में से इन छवियों. प्रत्येक परत तंत्रिका नेटवर्क की कुछ विशेषताओं का पता लगाता है: वस्तुओं के आकार, रंग की वस्तुओं और इतने पर.

एक सतही परतों के तंत्रिका नेटवर्क खोजने के लिए आम सुविधाओं की है । गहरी परतों पहले से ही पता चलता है वास्तविक वस्तुओं. आंकड़ा का एक चित्र के साथ एक सरल तंत्रिका नेटवर्क. हरे रंग का प्रतिनिधित्व करता है इनपुट न्यूरॉन्स (postupala जानकारी), नीले, छिपा न्यूरॉन्स (डेटा विश्लेषण), पीले — उत्पादन न्यूरॉन (निर्णय)

तंत्रिका नेटवर्क — एक कृत्रिम मानवमस्तिष्क?

के बावजूद, इसी तरह की संरचना की मशीन और मानव तंत्रिका नेटवर्क की विशेषताओं, हमारे केंद्रीय तंत्रिका तंत्र वे पास नहीं है. कंप्यूटर तंत्रिका नेटवर्क के लिए कर रहे हैं अनिवार्य रूप से सभी एक ही उपयोगिताओं. सिर्फ इतना हुआ है कि सबसे अत्यधिक संगठित प्रणाली की गणना के लिए बाहर कर दिया जा करने के लिए हमारे मस्तिष्क. आप शायद अभिव्यक्ति सुना है «हमारे दिमाग — इस कंप्यूटर»? वैज्ञानिकों बस «दोहराया है» के कुछ पहलुओं को इसकी संरचना में «डिजिटल फार्म». यह केवल अनुमति दी करने के लिए ऊपर की गति की गणना, लेकिन नहीं करने के लिए प्रदान करना मशीनों चेतना के साथ.

यह दिलचस्प है:

तंत्रिका नेटवर्क के लिए ही अस्तित्व में है के बाद से 1950-एँ (कम से कम के रूप में concepi). लेकिन हाल ही में जब तक, वे ज्यादा नहीं मिला, क्योंकि विकास के अपने निर्माण के लिए आवश्यक डेटा का भारी मात्रा में और कंप्यूटिंग शक्ति है । पिछले कुछ वर्षों में यह उपलब्ध हो गया है, तो तंत्रिका नेटवर्क और सामने आया था उसके बाद विकास. यह महत्वपूर्ण है समझते हैं कि करने के लिए अपनी पूरी उपस्थिति का अभाव है प्रौद्योगिकी. के रूप में वे की जरूरत नहीं है अब, क्रम में करने के लिए प्रौद्योगिकी लाने के लिए एक नए स्तर पर.

का उपयोग क्यों गहरी सीखने और तंत्रिका नेटवर्क

वहाँ रहे हैं कई क्षेत्रों जहां इन दो प्रौद्योगिकियों की मदद की प्राप्त करने के लिए महत्वपूर्ण प्रगति की है । इसके अलावा, उनमें से कुछ का उपयोग हम हर दिन हमारे जीवन में और नहीं भी लगता है के बारे में क्या उनके पीछे है.

के

— की क्षमता है करने के लिए सॉफ्टवेयर की सामग्री को समझने के चित्र और वीडियो. इस क्षेत्रों में से एक है, जहां गहरी सीखने काफी प्रगति की है. उदाहरण के लिए, छवि प्रसंस्करण एल्गोरिदम गहरी सीखने का पता लगा सकते हैं विभिन्न प्रकार के कैंसर, फेफड़ों के रोग, हृदय, और इतने पर. और यह करने के लिए तेजी से और अधिक प्रभावी डॉक्टरों. लेकिन गहरी सीखने की भी निहित में कई अनुप्रयोगों है कि आप हर दिन का उपयोग करें. एप्पल और गूगल के चेहरे आईडी तस्वीर का उपयोग गहरा करने के लिए सीखने के चेहरे को समझते हैं और छवियों की गुणवत्ता में सुधार. Facebook का उपयोग करता है गहरी सीखने के लिए स्वचालित रूप से लोगों को टैग में अपलोड की गई तस्वीरों और इतने पर । कंप्यूटर दृष्टि भी मदद करता है कंपनियों के लिए स्वचालित रूप से पहचान करने और ब्लॉक आपत्तिजनक सामग्री इस तरह के रूप में हिंसा और नग्नता. और अंत में, गहरी सीखने की एक बहुत महत्वपूर्ण भूमिका निभाता है कि सुनिश्चित करने में स्वयं ड्राइविंग कारों, तो वे समझ सकते हैं उनके परिवेश. के

• आवाज मान्यता और भाषण. जब आप का कहना है कि आदेश के लिए अपने Google सहायक, एल्गोरिदम, गहरी सीखने, अपने को बदलने . कई ऑनलाइन अनुप्रयोगों का उपयोग कर गहरी सीखने टाइप करने के लिए ऑडियो और वीडियो फ़ाइलों. यहां तक कि जब आप «catamite» गीत से जुड़े मामले में एल्गोरिदम, तंत्रिका नेटवर्क, और गहरी सीखने मशीन. के
• वेब खोज: यहां तक कि अगर आप के लिए देख रहे हैं कुछ में से एक खोज इंजन के लिए आदेश में, आपके अनुरोध को संसाधित करने के लिए और अधिक सही और परिणाम थे सबसे सही है, कंपनी शुरू कर कनेक्ट करने के लिए एल्गोरिदम के तंत्रिका नेटवर्क के लिए अपने खोज इंजन. इसलिए, प्रदर्शन के खोज इंजन के गूगल कई गुना बढ़ गया है के बाद सिस्टम बंद किया गया था करने के लिए मशीन सीखने और तंत्रिका नेटवर्क के लिए.

सीमा की गहरी सीखने और तंत्रिका नेटवर्क

सभी अपने फायदे के बावजूद, गहरी सीखने और तंत्रिका नेटवर्क के लिए भी कुछ नुकसान है.

के

एक
• पर निर्भरता डेटा: सामान्य रूप में, गहरी सीखने एल्गोरिदम एक बड़ी राशि की आवश्यकता प्रशिक्षण के डेटा के लिए सही ढंग से उनके कार्यों को पूरा. दुर्भाग्य से, के समाधान के लिए कई समस्याओं की अपर्याप्त गुणवत्ता प्रशिक्षण डेटा बनाने के लिए काम कर मॉडल । के
• अनिश्चितता: तंत्रिका नेटवर्क में कर रहे हैं, कुछ अजीब तरीका है. कभी कभी सब कुछ चला जाता है के रूप में की योजना बनाई है । और कभी कभी (यहां तक कि अगर, तंत्रिका नेटवर्क के साथ अच्छी तरह से copes अपने कार्य), यहां तक कि रचनाकारों संघर्ष कर रहे हैं समझने के लिए कैसे एल्गोरिदम काम करते हैं. के predictability की कमी बनाता है यह बहुत मुश्किल के निवारण के लिए और त्रुटियों को सही एल्गोरिदम में तंत्रिका नेटवर्क के. के
• एल्गोरिथम ऑफसेट: गहरी सीखने एल्गोरिदम है बस के रूप में अच्छा के रूप में डेटा पर जो वे प्रशिक्षित कर रहे हैं. समस्या यह है कि प्रशिक्षण डेटा अक्सर होते हैं, छिपा या स्पष्ट त्रुटियों या चूक, और एल्गोरिदम अपने «विरासत में मिला». उदाहरण के लिए, चेहरे का पता लगाने एल्गोरिथ्म, प्रशिक्षित ज्यादातर तस्वीरों में सफेद लोगों से काम करेंगे कम सही पर लोगों के साथ अलग अलग त्वचा का रंग. के
• कमी के एकत्रीकरण: गहरी सीखने एल्गोरिदम अच्छा कर रहे हैं प्रदर्शन करने के लिए उद्देश्यपूर्ण कार्य है, लेकिन खराब सामान्यीकरण अपने ज्ञान. मनुष्य के विपरीत, इस मॉडल की गहरी सीखने में सक्षम नहीं होगा खेलने के लिए एक और इसी तरह के खेल: कहते हैं, WarCraft. इसके अलावा, गहरी सीखने सामना नहीं करता है के साथ डेटा से विचलित है कि अपने प्रशिक्षण के उदाहरण हैं ।

भविष्य की गहरी सीखने, तंत्रिका नेटवर्क, और ऐ

यह स्पष्ट है कि काम पर गहरी सीखने और तंत्रिका नेटवर्क अभी भी पूरा से दूर. विभिन्न प्रयास किए जा रहे हैं सुधार करने के लिए गहरी सीखने एल्गोरिदम. गहरी सीखने — यह एक सरल तकनीक बनाने में कृत्रिम बुद्धि । यह तेजी से लोकप्रिय पिछले कुछ वर्षों में, की बहुतायत के लिए धन्यवाद डेटा और कंप्यूटिंग शक्ति में वृद्धि. इस बुनियादी तकनीक underlies कि कई अनुप्रयोगों में से हम हर दिन का उपयोग करें.

लेकिन पैदा होता है कभी के आधार पर इस तकनीक का चेतना? असली कृत्रिम जीवन? वैज्ञानिकों में से एक का मानना है कि जब एक समय में कनेक्शन की संख्या के घटकों के बीच कृत्रिम तंत्रिका नेटवर्क के लिए दृष्टिकोण एक ही आंकड़ा है कि आप में मानव मस्तिष्क के न्यूरॉन्स, कुछ इस तरह हो सकता है. हालांकि, इस zayavlenieबहुत ही संदिग्ध है । आदेश में के लिए एक वास्तविक ऐ दिखाई दिया, हम की जरूरत है पर पुनर्विचार करने के लिए दृष्टिकोण करने के लिए प्रणालियों के विकास के आधार पर एअर इंडिया. सब है कि अब — यह केवल एक आवेदन कार्यक्रम के लिए एक सख्ती से सीमित रेंज के कार्यों. के रूप में यदि हम नहीं करना चाहता था विश्वास है कि भविष्य अब है…

आप क्या सोचते हैं? कारण लोगों का ऐ? साझा करें अपनी राय में हमारे